CN113554309B - 一种基于尺度升降的农作物减产风险测量方法 - Google Patents

一种基于尺度升降的农作物减产风险测量方法 Download PDF

Info

Publication number
CN113554309B
CN113554309B CN202110837174.3A CN202110837174A CN113554309B CN 113554309 B CN113554309 B CN 113554309B CN 202110837174 A CN202110837174 A CN 202110837174A CN 113554309 B CN113554309 B CN 113554309B
Authority
CN
China
Prior art keywords
area
total
yield
scale
parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110837174.3A
Other languages
English (en)
Other versions
CN113554309A (zh
Inventor
张夏
徐洋
王克
张峭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Agricultural Information Institute of CAAS
Original Assignee
Agricultural Information Institute of CAAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Agricultural Information Institute of CAAS filed Critical Agricultural Information Institute of CAAS
Priority to CN202110837174.3A priority Critical patent/CN113554309B/zh
Publication of CN113554309A publication Critical patent/CN113554309A/zh
Application granted granted Critical
Publication of CN113554309B publication Critical patent/CN113554309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Animal Husbandry (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Development Economics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于尺度升降的农作物减产风险测量方法。该方法可利用既有农业统计体系所积累的市级或县级目标农作物历年产量和播种面积数据，面向村级和户级等缺乏直接对应数据的小尺度，通过尺度升降的创新性测量方式，完成对该尺度下目标农作物的减产风险的测量。本发明可为农业保险费率精算厘定、农业风险管理政策拟定、农业风险管理工具与政策效果评价等提供关键性的村级和户级等所需尺度下的农作物减产风险水平数据支撑。本发明是对基于农业统计数据的农作物减产风险直接测量技术的重大改进，可有效拓展既有农业统计数据可测量农作物减产风险对应尺度的范围，从而避免了逐村甚至逐户建立小尺度农业统计体系的高昂成本。

Description

一种基于尺度升降的农作物减产风险测量方法
技术领域
本发明涉及农业经济领域，尤其涉及农业风险的测量与评估领域。
背景技术
农作物指具有经济价值而被人们种植的植物，是种植业的生产对象。在中国，种植业通常指粮、棉、油、糖、麻、丝、烟、茶、果、药、杂等作物的生产部门，亦指狭义的农业。
农作物生长过程中，受到日照、降雨、气温、气象灾害、病虫害等外部因素影响，最终的产量具有不确定性，会出现减产的状况。通过农业保险和政府救助，保险公司和政府可以代替农户承担农作物减产带来的经济损失。因此，有效、客观、经济地测量农作物减产风险，对于指导农业保险精算与费率区划、评估农业保险实施效果、乃至推进乡村振兴以及保障国家粮食安全均具有重要意义。
目前，农业保险和政府救助通常以村或户为单位开展，因此需要在村级和户级尺度下测量农作物减产风险。数据方面，现有农业统计体系所对应的统计单元，其最小尺度为县级，如果要建立村级甚至户级农业统计体系，其性价比极低。而由于减产和增产在同一统计单元内往往会同时出现、相互抵消，导致农作物减产风险的空间尺度效应。如果忽略空间尺度效应，直接利用农业统计数据测量的县级和市级农作物减产风险，相对于农业保险和政府救助领域所需的更小的村级和户级尺度，会造成对农作物减产风险的低估。
因此，只要解决空间尺度效应问题，就可以拓展既有农业统计数据可测量农作物减产风险对应尺度的范围，从而一方面避免逐村甚至逐户建立小尺度农业统计体系的高昂成本，另一方面避免使用错误尺度测量造成对农作物减产风险的低估。
发明内容
基于背景技术存在的技术问题，本发明提供了一种基于尺度升降的农作物减产风险测量方法，以解决背景技术中提出的问题。
本发明提供如下技术方案：
一种基于尺度升降的农作物减产风险测量方法，包括如下步骤：
步骤一：利用农业统计体系，积累目标地区内面积相仿空间相邻的2n个子区域目标作物若干年度的总产量和总播种面积数据；
步骤二：基于步骤一所得历史数据，逐年逐子区域计算对应的平均单产；
步骤三：基于步骤二所得各子区域平均单产时间序列数据，逐子区域利用时间序列分析方法，分离出历史平均单产的趋势项和波动项；利用概率分布的参数估计方法，估计子区域波动项对应概率分布的期望参数μ子和方差参数
步骤四：空间升尺度，基于步骤一所得历史数据，逐年计算合并了2n个子区域的总区域对应的总产量和总播种面积；逐年计算对应的平均单产；
步骤五：基于步骤四所得总区域平均单产时间序列数据，利用时间序列分析方法，分离出历史平均单产的趋势项和波动项；利用概率分布的参数估计方法，估计总区域趋势项所预测的测量对应年份总区域平均单产期望水平，估计总区域波动项对应概率分布的期望参数μ总和方差参数
步骤六：基于步骤三所得子区域波动项方差参数和步骤五所得总区域波动项方差参数/>利用公式/>求解波动项空间尺度效应参数ρ；
步骤七：基于步骤一所得历史数据，计算总区域总播种面积，计算将总区域总播种面积分为2m份后份均面积最接近农作物减产风险测量空间尺度需求的参数m；
步骤八：空间降尺度，基于步骤七所得参数m、步骤六所得波动项空间尺度效应参数ρ、步骤五所得总区域波动项期望参数μ总和方差参数利用公式/>求解测量尺度下波动项期望参数μ测和方差参数/>
步骤九：基于步骤八所得目标地区目标作物测量尺度下农作物平均单产波动项对应的期望参数μ测和方差参数利用解析解或数值解方法，得到目标地区目标作物测量尺度下农作物平均单产的期望减产水平；
步骤十：基于步骤九所得目标地区目标作物测量尺度下农作物平均单产的期望减产水平、步骤五所得测量年份总区域平均单产期望水平，得到目标地区目标作物测量尺度下测量年份的农作物减产纯风险损失率，作为农作物减产风险测量结果。
本发明提供了一种基于尺度升降的农作物减产风险测量方法，本发明是对基于农业统计数据的农作物减产风险直接测量技术的重大改进，可有效拓展既有农业统计数据可测量农作物减产风险对应尺度的范围，从而避免了逐村甚至逐户建立小尺度农业统计体系的高昂成本；本发明不使用农业保险数据，从而避免了农业保险条款差异导致的测量不准确问题、农业保险理赔不规范导致的测量不客观问题、农业保险覆盖不全导致的无法测量问题等弊端；本发明不使用气象数据，从而避免了利用实验手段构建农作物生长模型的高昂成本和利用统计数据构建农作物单产对气温、降雨、日照等气象指标的响应模型的过度拟合或解释力不足问题。
具体实施方式
下面将结合本发明的一个实施例，展示本发明的一种具体实施方式。
实施例背景：河南省小麦减产风险测量实例。河南省是我国排名第一的小麦主产省，根据2020年《中国统计年鉴》，2019年河南省小麦种植面积占全国小麦种植面积的24％，河南省小麦产量占全国小麦产量的28％。
步骤一：三门峡市、洛阳市、许昌市、平顶山市、周口市、漯河市、驻马店市、南阳市8个市，2019年小麦种植面积占河南省小麦种植面积的55％，小麦产量占河南省小麦产量的55％。因此，选择这23个市，作为本发明提供的技术方案中步骤一所选子区域。根据《河南统计年鉴》，获得所选8个市2000-2019年小麦种植面积(单位：公顷)与总产量(单位：千克)数据，步骤一完成。
步骤二和步骤四：计算8个子区域和1个总区域的小麦年度平均单产，步骤二和步骤四完成。
步骤三和步骤五：采用ARIMA(0，1，0)模型进行时间序列分析，得到μ总＝102.4千克/公顷，σ总＝271.3千克/公顷，σ子＝353.7千克/公顷，总区域趋势项对应平均单产期望水平为6165千克/公顷，步骤三和步骤五完成。
步骤六：由于选择的子区域个数为8，所以n＝3，得到ρ＝0.676，步骤六完成。
步骤七：考虑到所选8个市共有约8192＝213个村，所以m＝13，步骤七完成。
步骤八：计算得到σ测＝855.8千克/公顷，μ测＝102.4千克/公顷，步骤八完成。
步骤九：利用解析方法，波动项概率分布采用正态分布假设，使用公式得到平均单产的期望减产水平为341.4千克/公顷，步骤九完成。
步骤十：用所选8个市合成的总区域代表河南省，计算得到河南省小麦在村级尺度下的农作物减产纯风险损失率为5.54％，测量完成。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (1)

1.一种基于尺度升降的农作物减产风险测量方法，其特征在于，包括如下步骤：
步骤一：利用农业统计体系，积累目标地区内面积相仿空间相邻的2n个子区域目标作物若干年度的总产量和总播种面积数据；
步骤二：基于步骤一所得历史数据，逐年逐子区域计算对应的平均单产；
步骤三：基于步骤二所得各子区域平均单产时间序列数据，逐子区域利用时间序列分析方法，分离出历史平均单产的趋势项和波动项；利用概率分布的参数估计方法，估计子区域波动项对应概率分布的期望参数μ子和方差参数
步骤四：空间升尺度，基于步骤一所得历史数据，逐年计算合并了2n个子区域的总区域对应的总产量和总播种面积；逐年计算对应的平均单产；
步骤五：基于步骤四所得总区域平均单产时间序列数据，利用时间序列分析方法，分离出历史平均单产的趋势项和波动项；利用概率分布的参数估计方法，估计总区域趋势项所预测的测量对应年份总区域平均单产期望水平，估计总区域波动项对应概率分布的期望参数μ总和方差参数
步骤六：基于步骤三所得子区域波动项方差参数和步骤五所得总区域波动项方差参数/>利用公式/>求解波动项空间尺度效应参数ρ；
步骤七：基于步骤一所得历史数据，计算总区域总播种面积，计算将总区域总播种面积分为2m份后份均面积最接近农作物减产风险测量空间尺度需求的参数m；
步骤八：空间降尺度，基于步骤七所得参数m、步骤六所得波动项空间尺度效应参数ρ、步骤五所得总区域波动项期望参数μ总和方差参数利用公式μ总＝μ测和/>求解测量尺度下波动项期望参数μ测和方差参数/>
步骤九：基于步骤八所得目标地区目标作物测量尺度下农作物平均单产波动项对应的期望参数μ测和方差参数利用解析解或数值解方法，得到目标地区目标作物测量尺度下农作物平均单产的期望减产水平；
步骤十：基于步骤九所得目标地区目标作物测量尺度下农作物平均单产的期望减产水平、步骤五所得测量年份总区域平均单产期望水平，得到目标地区目标作物测量尺度下测量年份的农作物减产纯风险损失率，作为农作物减产风险测量结果。
CN202110837174.3A 2021-07-23 2021-07-23 一种基于尺度升降的农作物减产风险测量方法 Active CN113554309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110837174.3A CN113554309B (zh) 2021-07-23 2021-07-23 一种基于尺度升降的农作物减产风险测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110837174.3A CN113554309B (zh) 2021-07-23 2021-07-23 一种基于尺度升降的农作物减产风险测量方法

Publications (2)

Publication Number Publication Date
CN113554309A CN113554309A (zh) 2021-10-26
CN113554309B true CN113554309B (zh) 2023-08-25

Family

ID=78132627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110837174.3A Active CN113554309B (zh) 2021-07-23 2021-07-23 一种基于尺度升降的农作物减产风险测量方法

Country Status (1)

Country Link
CN (1) CN113554309B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184445A (zh) * 2015-08-06 2015-12-23 北京市气候中心 一种玉米干旱气象灾害多年平均损失率的计算方法
WO2017127291A1 (en) * 2016-01-22 2017-07-27 The Climate Corporation Forecasting national crop yield during the growing season using weather indices
CN108460691A (zh) * 2018-01-31 2018-08-28 杞人气象科技服务（北京）有限公司 一种日光温室连阴寡照气象指数保险方法
CN109982559A (zh) * 2016-11-02 2019-07-05 益而得技术解决方案私人有限公司 控制农业生产区域

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184445A (zh) * 2015-08-06 2015-12-23 北京市气候中心 一种玉米干旱气象灾害多年平均损失率的计算方法
WO2017127291A1 (en) * 2016-01-22 2017-07-27 The Climate Corporation Forecasting national crop yield during the growing season using weather indices
CN109982559A (zh) * 2016-11-02 2019-07-05 益而得技术解决方案私人有限公司 控制农业生产区域
CN108460691A (zh) * 2018-01-31 2018-08-28 杞人气象科技服务（北京）有限公司 一种日光温室连阴寡照气象指数保险方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于干旱风险的甘肃省小麦保险费率厘定研究;宋晴晴;高树棠;李强;;农业科学研究(第01期);15-22 *

Also Published As

Publication number Publication date
CN113554309A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
US11734925B2 (en) Large-scale crop phenology extraction method based on shape model fitting method
Son et al. Classification of multitemporal Sentinel-2 data for field-level monitoring of rice cropping practices in Taiwan
Savary et al. Rice pest constraints in tropical Asia: characterization of injury profiles in relation to production situations
Reeves et al. Usefulness and limits of MODIS GPP for estimating wheat yield
CN111368736B (zh) 基于sar和光学遥感数据的水稻精细化估产方法
Bai et al. Jujube yield prediction method combining Landsat 8 Vegetation Index and the phenological length
Meng et al. Corn yield forecasting in northeast china using remotely sensed spectral indices and crop phenology metrics
CN102413161A (zh) 一种苹果果园精准管理系统
CN112070297A (zh) 农事活动的天气指标预测方法、装置、设备及存储介质
CN111898922A (zh) 一种多尺度农作物产量评估方法及系统
Aktar Agricultural productivity and productivity regions in West Bengal
CN111798028A (zh) 一种作物产量预测方法、装置、电子设备和存储介质
CN107491724B (zh) 一种冬小麦穗分化期识别方法及装置
Chen et al. Simulation analysis of lucerne–wheat crop rotation on the Loess Plateau of Northern China
CN113554309B (zh) 一种基于尺度升降的农作物减产风险测量方法
CN116703637A (zh) 一种北方旱区小麦种植的数字化控制系统及其使用方法
CN114139900A (zh) 一种基于大数据的水稻种植水稻生长监测分析管理系统
Song et al. Influence of climate change on winter wheat growth in north China during 1950-2000
Campos et al. Mapping within-field biomass variability: a remote sensing-based approach
Ji et al. Using NDVI time series curve change rate to estimate winter wheat yield
Salma et al. An optimum datasets analysis for monitoring crops using remotely sensed Sentinel-1A SAR data
Bao et al. Crop yield variation trend and distribution pattern in recent ten years
Fayazi et al. Estimation of the Yield Potential and Yield Gap of Maize (Zea Mayz L.) in Iran Based on the Global Yield Gap Atlas Protocol (Gyga)
Paleari et al. Decomposing complex traits through crop modelling to support cultivar recommendation. A proof of concept with focus on phenology and field pea
Ramsey Factors Affecting US Sorghum Yields

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant